一、RAG 的基本定义
检索增强生成（Retrieval-Augmented Generation，RAG）是一种**“先检索、后生成”**的大模型框架：
用户输入问题 →
检索器从外部知识源（文档库、互联网、数据库或知识图谱）拉取最相关的片段 →
生成器（LLM）将检索结果与用户问题一并编码 →
输出更精准、更新、更可解释的文本答案。
核心思想：把静态的参数记忆升级为动态的外部记忆，从而缓解幻觉、过期信息、专业术语歧义等 LLM 固有问题。
二、为什么要用 RAG
复制
与微调相比
• 微调：成本高、更新慢、需要重训；
• RAG：只需更新检索库即可“即插即用”，成本低、时效快。
三、非结构化检索增强
3.1 文档检索
向量化：将文本、音频、视频转成高维向量，语义相似的在空间中距离更近。
索引与加速
• 小规模：暴力搜索即可；
• 大规模：使用 Faiss、Milvus、Pinecone、Chroma 等向量库做 ANN（近似最近邻）。流程
文档切片（chunking）
Embedding → 向量库
用户问题向量化 → k 近邻召回
召回片段 + 问题 → LLM 生成答案
3.2 网络检索
动态知识源：实时抓取网页、论坛、新闻、API。
HTTP 协议是底层通道：GET/POST 拉取 JSON/HTML/XML，通过内容协商获取不同格式。
落地案例
• ChatGPT / DeepSeek 的“联网搜索”就是网络检索增强；
• 可实时返回比特币价格、突发新闻、股市行情。
四、结构化检索增强
4.1 知识图谱（GraphRAG）
表示：实体-关系-实体三元组 (Einstein, bornIn, Germany)。
微软 GraphRAG 流程
索引阶段
• 文本切块 → LLM 抽取实体/关系 → 构建图 → 生成图嵌入 →多级语义索引。查询阶段
• 用户问题 → 子图检索 → 子图+问题 → LLM 生成答案。
优势：可解释、可推理、适合多跳问答。
4.2 关系数据库（TAG 模型）
斯坦福 + 伯克利 TAG
查询合成（Text2SQL）：自然语言 → SQL。
查询执行：SQL 在 DB 中运行，得到结果集。
答案生成：结果集 + 原问题 → LLM 生成自然语言答案。
示例
问：“总结票房最高的经典浪漫片影评”
→ 语言模型先判断“经典浪漫片”，再聚合票房最高者 → 返回《泰坦尼克号》评论摘要。
五、关键技术细节与工程考量
切分策略
• 固定长度 vs 语义段落 vs 滑动窗口；
• 过长文本需摘要或层次化索引，避免语义稀释。混合检索
• 向量召回 + 关键词 BM25 + 知识图谱路径，提升鲁棒性。实时性 vs 稳定性
• 网络爬取需去重、去噪、可信度评分；
• 结构化源需做缓存与增量更新。安全合规
• 私域文档需脱敏；
• 网络检索要过滤非法/侵权内容。
六、典型场景对比
复制
七、未来讨论要点
医疗场景：知识图谱与关系数据库如何权衡误诊风险与查询效率？
学术系统：PDF 文档与实时网络检索如何互补并避免冲突？
法律合同：长文本语义分散时，Chunking、摘要、图谱嵌入哪种更优？
一句话总结
RAG 把大模型从“闭卷考试”变成“开卷考试”：先精准找资料，再基于资料答题，实现实时、准确、可追溯的智能问答，已成为大模型落地的工程化标准范式。
本书免费下载地址
关注微信公众号“人工智能产业链union”回复关键字“AI大模型05”获取下载地址。
